[发明专利]基于深度学习的钢铁材料微观组织自动识别方法

说明书

本发明公开了一种基于深度学习的钢铁材料微观组织自动识别方法。一、确定要识别的钢材微观组织种类及微观组织放大倍数，搜集在该放大倍数下电子扫描显微镜获得的相同规格大小的历史钢铁材料微观组织图片，以得到数据集，为数据集中的每张图片确定一个类别标签；二、对步骤一中搜集到的所有图片进行相同的预处理；三、构建卷积神经网络CNN‑ICAM模型；四、预先设置迭代次数，采用交叉熵作为损失函数，应用随机梯度下降法对神经网络CNN‑ICAM模型进行训练；五、对需要识别的钢铁材料微观组织图片，先按步骤二的方法进行预处理，然后，再用步骤四训练好的卷积神经网络模型进行自动识别。该方法不仅能提高识别精度又能提高识别速度。

技术领域

本发明属于钢铁材料微观组织识别技术领域，涉及一种基于深度学习的钢铁材料微观组织自动识别方法，尤其涉及一种基于卷积神经网络的钢铁材料微观组织自动识别方法。

背景技术

钢铁材料以其优异的力学性能和低廉的成本，仍然是最重要和最广泛使用的材料之一，钢铁材料微观组织丰富多样，包括铁素体，珠光体，贝氏体，马氏体，奥氏体等，其微观组织类型、含量、尺寸、形貌和分布等特点决定了材料的性能，因此研究钢铁材料的微观组织重要意义。

在钢铁材料微观组织中，如何正确对微观组织进行分类尤其重要。受加热条件、轧制工艺、冷却速度、热处理工艺等因素的影响，钢铁材料微观组织形貌具有多样性和复杂性。例如，根据冷却速度不同，铁素体的形态有等轴状、不规则状、针状等；根据转变温度不同，钢中贝氏体形态有羽毛状(上贝氏体)、针状(下贝氏体)、片状等；根据含碳量不同，钢中马氏体形态有板条状、针状、片状等。目前，钢铁材料微观组织分类任务是通过人工观察样品图像，并为其分配一个微结构类来完成的。人工分析对技术人员的专业知识水平和实践经验等依赖性较大，且由于技术人员专业水平不同，会产生不同的意见，使得人工分类效率较低，误差较大。

深度学习的概念源于人工神经网络的研究，是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。有研究表明，深度学习在某些特定的图像识别上，能力已经超过人类，造成这一现象的主要原因是深度学习模型通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，和其较强抗噪、复杂函数表达及泛化能力，深度学习不止应用于图像识别，还包括图像生成、机器翻译、目标检测、机器人技术等多个领域。

典型的神经网络结构通常由输入层、卷积层、池化层(下采样层)、全连接层以及输出层组成，还包括Relu激活函数，损失函数；输入层决定了原始图像输入向量的尺寸；卷积层用于从一个平面到下一个平面的映射，其神经元自动提取图像的局部特征，每个神经元都与前一层的局部感受域相连，每层中各平面的神经元提取图像中特定区域的局部特征，如边缘特征、方向特征等；池化层可看作是模糊滤波器，起到二次特征提取的作用，且池化层隐层与隐层之间的空间分辨率递减，而每层所含的平面数递增，这样可用于检测更多的特征信息；全连接层连接并整合所有的特征后，将输出值送给分类器，映射到样本标签。图1展示了现代卷积神经网络Vgg16，其输入224*224*3的图像，其包含了1个输入层、13个卷积层、3个全连接层、5个池化层和1个Softmax回归层，另外，还引入了Dropout层(按照一定的概率使神经元之间断开连接，减少某些局部特征作用)防止过拟合；图1中A表示钢铁显微组织所有类别个数，Softmax层输出结果映射到(0，1)之间，通过Softmax计算第i类的概率，计算公式如下：

其中，x_i为预测分类的第i项；j代表总类别数；只是Softmax公式中的一部分，用来计算每一类概率。

发明内容

本发明的目的是为了解决现有技术存在的问题，提出一种基于深度学习的钢材微观组织自动识别方法，以提高钢材微观组织的识别精度与识别效率。

本发明的目的是通过以下技术方案实现的：

一种基于深度学习的钢材微观组织自动识别方法，包括以下步骤：